– του Βασίλη Κουφού, Οικονομικού Διευθυντή CSR Hellas NPO – PMP της Capa Epsilon OSP – Σύμβουλου Βιώσιμης Επιχειρηματικής Ανάπτυξης
Με την παρουσία καταναλωτικών προγραμμάτων AI όπως το Bard της Google και το ChatGPT του OpenAI, η αγορά παραγωγής τεχνητής νοημοσύνης είναι έτοιμη να καταγράψει ένα ακόμη ιστορικό υψηλό, αυξανόμενη στα 1,1 τρισεκατομμύρια δολάρια το 2031 από ένα μέγεθος αγοράς μόλις 14 δισεκατομμυρίων δολαρίων (!) το 2020, σύμφωνα με την τελευταία έκθεση του Bloomberg Intelligence (BI).
Ο αντίκτυπος της τεχνητής νοημοσύνης είναι τόσο εκτεταμένος που έχει παρομοιαστεί με την ανακάλυψη της ηλεκτρικής ενέργειας , πράγμα που σημαίνει ότι σχεδόν κάθε παραγωγικός κλάδος θα επηρεαστεί. Αυτή ακριβώς η επίδραση, αναμένεται να ασκήσει τεκτονικές πιέσεις και μετατροπές στον πυρήνα των κριτηρίων ESG.
Όπως είναι πλέον γνωστό την τελευταία δεκαετία, τα κριτήρια ESG αναφέρονται σε μη χρηματοοικονομικά δεδομένα άμεσα σχετιζόμενα με τις περιβαλλοντικές και τις κοινωνικές επιπτώσεις μιας οικονομικής δραστηριότητας, υπό την γενική εφαρμογή και εποπτεία ενός ακολουθούμενου λειτουργικού μοντέλου εταιρικής διακυβέρνησης. Κάθε οικονομικός οργανισμός – ή κάθε επιχειρησιακή πράξη που αφήνει χρηματοοικονομικό ίχνος – αναλώνει φυσικούς πόρους, αξιοποιεί ανθρώπινο κεφάλαιο και ακολουθεί ένα εσωτερικό πλαίσιο κανόνων και λειτουργιών. Η σύνθεση όλων αυτών των παραμέτρων σε συνδυασμό με τις οικονομικές εταιρικές επιδόσεις, εικονογραφεί εν συνόλω το προφίλ μιας επιχείρησης. Επιδιώκοντας να διατηρήσει στον επιθυμητό βαθμό τη χρηματοδοτική της επάρκεια, κάθε επιχείρηση προσπαθεί να ελαχιστοποιήσει τους κινδύνους που συνδέονται με τα κριτήρια ESG, προκειμένου οι κάθε είδους επενδυτές (τράπεζες, θεσμικοί φορείς, funds) να αισθανθούν ασφαλείς ως προς τον ενδεχόμενο κίνδυνο πιθανής ζημιάς από τη χρήση των κριτηρίων αυτών.
Τα τελευταία 25 χρόνια, πολλές απειλές ενέσκηψαν εναντίον του επιχειρείν. Η σταδιακή μετατόπιση του παγκόσμιου καταμερισμού εργασίας στην ανατολική Ασία (κυρίως στο τετράγωνο Κίνα, Πακιστάν, Μπαγκλαντές, Ινδονησία) δημιούργησε μοιραίες εκτροπές στις μεθόδους εκμετάλλευσης του φυσικού περιβάλλοντος, συμπίεσε τους όρους σεβασμού των συνθηκών παροχής εργασίας και δοκίμασε έντονα την επάρκεια των εφαρμοζόμενων μοντέλων εταιρικής διακυβέρνησης.
Εν μέσω αυτής της διαρκούς προβληματικής συνθήκης, η 4η Βιομηχανική Επανάσταση φθάνει στα όρια της καθώς τα ίδια της τα τέκνα – κυρίως το Internet of Things, και η Τεχνητή Νοημοσύνη – αρχίζουν να «αυτονομούνται» δημιουργώντας το εποικοδόμημα της Industry 5.0. Η 5η Βιομηχανική Επανάσταση ανατέλλει…!
Εστιάζοντας στο ΑΙ, θεωρώ πως καμία συζήτηση για περιεχόμενό της δεν θα ήταν πλήρης χωρίς την ουσιαστική αποδοχή των τεράστιων πλεονεκτημάτων που προσφέρει. Η αυτοματοποίηση εργασιών που πριν απαιτούσαν τεράστιους όγκους χρόνου και προσπάθειας, οι τεράστιες κατακτήσεις στην επιστημονική έρευνα, η διαρκής επίτευξη και εξασφάλιση συνθηκών υγιεινής & ασφάλειας, οριζοντίως και καθέτως, ως προς το αρχιτεκτόνημα της Διεθνούς Αγοράς, συμπυκνώνουν ένα μικρό μόνον δείγμα, όλων αυτών των θετικών επιπτώσεων.
Αλλά αυτά τα οφέλη έχουν κόστος.
Κατ’ αρχάς, η Τεχνητή Νοημοσύνη απειλεί να διαταράξει ολόκληρους βιομηχανικούς κλάδους, οδηγώντας σε μεγάλης κλίμακας απώλειες θέσεων εργασίας. Σύμφωνα με τον ΟΟΣΑ, το 27% των θέσεων εργασίας είναι σε επαγγέλματα που διατρέχουν υψηλό πιθανότητα αυτοματοποίησης – συμπεριλαμβανομένων ειδικοτήτων υψηλής ειδίκευσης στα οικονομικά, την ιατρική και τη νομική, μεταξύ άλλων. Υπάρχει συνεχής συζήτηση για το εάν αυτό θα οδηγήσει σε μεγάλης κλίμακας ανεργία και με ποια ταχύτητα μπορεί να συμβεί αυτή η μετατόπιση θέσεων εργασίας, αλλά είναι ένας κίνδυνος που θα πρέπει να λάβουν υπόψη οι εταιρείες.
Το 2023, ο Dr. Ajay Kumar, επίκουρος καθηγητής στο Πανεπιστήμιο του Μπράντφορντ και ο καθηγητής Thomas Davenport από το Babson College, σε άρθρο τους που δημοσιεύθηκε στο Harvard Business Review, εστίασαν με λεπτομέρεια επί των επιδράσεων που ασκεί η διαχείριση των Big – Data στο περιβάλλον. Σύμφωνα με τα τεκμήρια που παρουσίασαν οι δύο ακαδημαϊκοί, η βιομηχανία των κέντρων δεδομένων (data center industry), η οποία αναφέρεται σε μια φυσική εγκατάσταση η οποία έχει σχεδιαστεί για την αποθήκευση και τη διαχείριση συστημάτων τεχνολογίας πληροφοριών και επικοινωνιών, είναι υπεύθυνη για το 2-3% των παγκόσμιων εκπομπών αερίων θερμοκηπίου (GHG). Ο όγκος των δεδομένων σε όλο τον κόσμο διπλασιάζεται σε μέγεθος κάθε δύο χρόνια. Οι διακομιστές των κέντρων δεδομένων που αποθηκεύουν αυτή τη συνεχώς διευρυνόμενη θάλασσα πληροφοριών απαιτούν τεράστιες ποσότητες ενέργειας και νερού (άμεσα για ψύξη και έμμεσα για παραγωγή μη ανανεώσιμης ηλεκτρικής ενέργειας) για τη λειτουργία διακομιστών υπολογιστών, εξοπλισμού και συστημάτων ψύξης. Αυτά τα συστήματα αντιπροσωπεύουν περίπου το 7% της χρήσης ηλεκτρικής ενέργειας στη Δανία και το 2,8% της χρήσης ηλεκτρικής ενέργειας στις Ηνωμένες Πολιτείες. Συνεχίζοντας, οι Kumar και Davenport σημειώνουν πως σχεδόν όλα τα γνωστά μοντέλα παραγωγής Τεχνητής Νοημοσύνης δημιουργούνται από τους λεγόμενους παρόχους cloud «υπερκλίμακας», με χιλιάδες διακομιστές οι οποίοι ευθύνονται για την παραγωγή μεγάλων αποτυπωμάτων άνθρακα. Συγκεκριμένα, αυτά τα μοντέλα λειτουργώντας με τσιπ μονάδας επεξεργασίας γραφικών (GPU), απαιτούν 10 ή και 15 φορές την ενέργεια που χρειάζεται μια παραδοσιακή CPU, καθώς μια GPU χρησιμοποιεί περισσότερα τρανζίστορς. Το πιο ενδιαφέρον εύρημα του άρθρου των Kumar και Davenport, αφορά τη διαπίστωση πως τα μοντέλα εκπαίδευσης είναι τα πλέον ενεργοβόρα στοιχεία εφαρμογών Τεχνητής Νοημοσύνης. Οι ερευνητές υποστήριξαν ότι η εκπαίδευση ενός single large language deep learning model (μοντέλου βαθιάς εκμάθησης μιας μεγάλης γλώσσας), όπως το GPT-4 του OpenAI ή το PaLM της Google, εκτιμάται ότι χρησιμοποιεί περίπου 300 τόνους CO2. Συγκριτικά, ο μέσος άνθρωπος είναι υπεύθυνος για τη δημιουργία περίπου 5 τόνων CO2 το χρόνο. Άλλοι ερευνητές υπολόγισαν ότι η εκπαίδευση ενός μοντέλου Τεχνητής Νοημοσύνης μεσαίου μεγέθους χρησιμοποιώντας μια τεχνική που ονομάζεται NAS (Neural Architecture Search ή Αναζήτηση Νευρωνικής Αρχιτεκτονικής σε ίσως αδόκιμη ελληνική μετάφραση) χρησιμοποίησε ηλεκτρική ενέργεια ισοδύναμη με 626.000 τόνους εκπομπών CO2 — ή ίση με τις εκπομπές CO2 πέντε μεσαίων αμερικανικών αυτοκινήτων κατά τη διάρκεια της ωφέλιμης ζωής τους. Η εκπαίδευση ενός μόνο μοντέλου BERT (ένα μοντέλο μεγάλης γλώσσας που αναπτύχθηκε από την Google) από την αρχή θα απαιτούσε την ίδια ενέργεια και το ίδιο αποτύπωμα άνθρακα με μια εμπορική υπερατλαντική πτήση.
Συμπερασματικά καταλήγουμε στην άποψη ότι διαφορετικές εφαρμογές Τεχνητής Νοημοσύνης έχουν διαφορετικά αποτυπώματα άνθρακα ανάλογα με την υπολογιστική ισχύ που χρειάζονται για να λειτουργήσουν. Δεδομένου όμως του ότι ο όγκος των αποθηκευμένων δεδομένων αυξάνεται εκθετικά – οδηγώντας έτσι σε μεγαλύτερη κατανάλωση ενέργειας αλλά και σε επιπλέον παραγωγή ηλεκτρονικών απόβλητων – ο περιβαλλοντικός αντίκτυπος της Τεχνητής Νοημοσύνης βαίνει διαρκώς αυξανόμενος.
Άλλες ανησυχίες αναφορικά με τη χρήση Τεχνητής Νοημοσύνης σχετίζονται με ενδεχόμενη προσβολή ανθρωπίνων δικαιωμάτων (συγκεκριμένα με θέματα διάκρισης ανάμεσα στους δυνητικούς χρήστες AI), την προστασία των προσωπικών δεδομένων και την ιδιωτική ζωή. Καθώς η Τεχνητή Νοημοσύνη απαιτεί πρόσβαση σε μεγάλα σύνολα δεδομένων για εκπαίδευση, και δεδομένου του ότι τα δεδομένα αυτά, μπορεί να περιλαμβάνουν προσωπικές πληροφορίες, εκδηλώνονται ανησυχίες σχετικά με το ποιος έχει πρόσβαση σε αυτά τα, πώς αυτά θα αποθηκευτούν – ταξινομηθούν και πώς εντέλει, θα χρησιμοποιηθούν – αξιοποιηθούν.
Ένα άλλο ζήτημα είναι ότι η Τεχνητή Νοημοσύνη μπορεί να αντανακλά τις ανθρώπινες προκαταλήψεις ως προς τις δραστηριότητές τους. Έχουν ήδη υπάρξει αρκετές υψηλού προφίλ περιπτώσεις Τεχνητής Νοημοσύνης οι οποίες καταλήξαν σε αμφιλεγόμενα συμπεράσματα, καθώς διατυπώθηκαν διακρίσεις με βάση την εθνικότητα και το φύλο. Οι περιπτώσεις αυτές εντοπίστηκαν στον υπολογισμό των ασφαλίστρων υγείας ή ζωής, στον έλεγχο των αιτούντων εργασία και στην αξιολόγηση της πιθανότητας των εγκληματιών να επαναλάβουν τα αδικήματα, καθώς αξιολογούνταν αιτήσεις παροχής αναστολής.
Είναι φυσικό, το ότι ως βασική αιτία όλων αυτών των προσκομμάτων ή προβληματικών συμπερασμάτων να αναδεικνύεται η λειτουργική πολυπλοκότητα της ίδιας της Τεχνητής Νοημοσύνης, εννοιολογικά αλλά και στην πράξη.
Επί του παρόντος, υπάρχουν πολλές διαφορετικές προσεγγίσεις ESG και περισσότερες από μία μπορούν να χρησιμοποιηθούν για ένα μεμονωμένο ΑΙ – προϊόν, οδηγώντας σε σύγχυση, αβεβαιότητα αλλά και στην άνοδο του greenwashing, όπου οι γνωστοποιήσεις σκόπιμα ή ακούσια παραπλανούν τους ενδιαφερομένους. Σε απάντηση αυτού του κενού, ιδρύματα όπως το Sustainability Accounting Standards Board (SASB), το Global Reporting Initiative (GRI) και το CFA Institute εργάζονται για τη διαμόρφωση ηθικών προτύπων που θα αντιπροσωπεύουν δίκαια και θα αποκαλύπτουν πλήρως τα ζητήματα ESG από την εφαρμογή μηχανισμών Τεχνητής Νοημοσύνης.
Οι ενδιαφερόμενοι φορείς από πλευράς φορέων ESG, έχουν τη δυνατότητα να προστατεύσουν το μέλλον υποστηρίζοντας την υπεύθυνη ανάπτυξη της Τεχνητής Νοημοσύνης. Για να επιτευχθεί αυτό, τα πλαίσια ESG πρέπει να προσαρμοστούν ώστε να ληφθούν υπόψη οι μοναδικοί κίνδυνοι και τα οφέλη που παρουσιάζει η Τεχνητή Νοημοσύνη. Αυτό θα απαιτήσει συνεργασία μεταξύ προγραμματιστών ΑΙ, επενδυτών και επαγγελματιών ESG, μαζί με συνεχή έρευνα και διάλογο αναφορικά με τις επιπτώσεις της δυναμικής αλληλεπίδρασης του διπόλου ESG – ΑI.
Έτσι, οδηγούμαστε αναντίρρητα αλλά και δίκην μονόδρομου στο επιδιωκόμενο αποτέλεσμα : Η Τεχνητή Νοημοσύνη έχει αστείρευτες δυνατότητες δημιουργίας αξίας και ταυτόχρονης συνεισφοράς στο ανθρώπινο καλό υπό μία, αλλά δομική προϋπόθεση : οφείλει να ευθυγραμμίζεται με τις αρχές των κριτηρίων ESG.
Δείτε το άρθρο όπως δημοσιεύθηκε εδώ
